论文题目：基于wide＆deep神经网络对车险索赔频数的研究及其在准备金评估应用
摘要：在中国,保险行业现在依旧是属于分业经营,汽车保险只能在财险公司中进行经营。汽车保险一直是财险公司中占比最大的险种,同时汽车保险的利润也是在财险公司整体利润中占比最大的,因此汽车保险一直在财险公司中具有举足轻重的作用。随着近些年来,保险监管部门和保险行业协会对规范汽车保险市场重视程度的加深,保险监管部门和行业协会为了规范车险市场,让利消费者,先后对汽车保险进行多次综合改革。在2020年9月,随着中国银保监会发布《车险综合改革指导意见》,代表着新一轮车险改革的开始,而这次改革中,不仅是针对汽车商业险进行改革,同时也是对交强险的保险保额也进行了一定程度的修改。在这场改革中几乎影响了所有的财险公司,在汽车保险保额提升的情况下,车险客户所需要缴纳的保费比改革前还要低,这无疑是对要求保险公司提升自身在汽车保险的风险管理水平。在非寿险中,保险标的预期损失是索赔频率和平均索赔强度的乘积,因此在车险损失预测以及准备金评估中,对车险索赔频数的预测至关重要。关于汽车保险索赔次数的研究有很多,本文研究过程首先介绍经典索赔次数预测模型、广义线性模型以及机器学习上的神经网络,wide＆deep神经网络模型,然后拟合于北美非寿险精算学会（CAS）公开的车险理赔数据集。由于在实际的理赔数据中,不出险的用户将会占总体样本的95%以上,样本属于非平衡状态容易导致模型将所有的保险数据都判定为不理赔,这样虽然模型的准确率能达到95%以上,但是此时的模型将没有任何意义。于是本文先使用SMOTE方法对车险理赔数据进行清洗,使得在训练过程中样本正反比例为1:1。在数据清洗后通过运用wide＆deep神经网络对车险客户是否发生理赔和发生1次与2次理赔进行预测,同时将预测结果与广义线性泊松回归,零膨胀泊松回归和前馈式神经网络进行对比。最后分析传统流量三角形在准备金评估上的不足,以及如何实现车险索赔频数在车险准备金应用进行举例。
关键词：索赔频数;wide＆deep神经网络;SMOTE方法;准备金评估
学科专业：保险（专业学位）
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 文献综述
1.2.1 国外文献综述
1.2.2 国内研究现状
1.2.3 文献评述
1.3 研究内容和研究方法
1.3.1 研究内容
1.3.2 研究方法
1.3.3 研究的技术路线图
第二章 汽车保险理论
2.1 汽车保险概述
2.1.1 我国汽车保险改革历程
2.1.2 车险综合改革存在的问题
2.2 车险综合改革下对我国汽车保险的启示
2.2.1 通过科技新变量收集客户画像为车险市场注入新活力
2.2.2 提升准备金评估技术实现增益
第三章 索赔频数模型
3.1 经典预测索赔频数模型
3.1.1 二项分布
3.1.2 泊松分布
3.1.3 广义线性模型泊松回归
3.2 机器学习上的索赔频数模型
3.2.1 wide&deep神经网络原理
3.2.2 SMOTE方法原理
第四章 wide&deep神经网络实证分析
4.1 SMOTE方法预处理
4.1.1 数据来源与描述性统计
4.1.2 数据清洗结果设置
4.1.3 模型评判标准的选择
4.2 wide&deep神经网络实证结果分析对比
4.2.1 使用传统广义线性泊松回归模型情况
4.2.2 前馈式神经网络情况
4.2.3 使用wide&deep神经网络情况
第五章 结论
5.1 模型对比情况分析
5.2 索赔频数在准备金上的应用
5.2.1 传统准备金评估方法的不足
5.2.2 索赔频数应用于准备金评估的探究
5.3 不足与展望
参考文献
致谢